Network-Based Multi-Layer Model Using Machine Learning for Optimal Vaccine Prioritization in Heterogeneous Populations

Resumen Técnico: Modelo Multicapa Basado en Redes Mediante Aprendizaje Automático para la Priorización Óptima de Vacunas en Poblaciones Heterogéneas

Planteamiento del Problema
Los modelos tradicionales de control epidémico, como los modelos SIR y SIRV, a menudo dependen del supuesto de una mezcla homogénea, lo cual no logra capturar los patrones de contacto heterogéneos inherentes a las poblaciones del mundo real. Los individuos varían significamente en su número de contactos, roles comunitarios y potencial de transmisión. Si bien los modelos basados en redes abordan esto representándolos como nodos e interacciones como aristas, las estrategias existentes para la priorización de vacunas suelen basarse en heurísticas estáticas de primer orden (por ejemplo, centralidad de grado, centralidad de intermediación) o en supuestos de redes de una sola capa. Estos enfoques pueden pasar por alto patrones relacionales de orden superior y dependencias entre capas que son esenciales para una intervención eficaz en estructuras sociales complejas y multicapa. Además, existe una brecha en la integración del aprendizaje automático para identificar dinámicamente nodos estructuralmente críticos que las métricas clásicas podrían omitir.

Metodología
Los autores proponen un modelo SIRV (Susceptible-Infectado-Recuperado-Vacunado) de red multicapa que incorpora tasas de transmisión heterogéneas a través de distintas capas sociales (por ejemplo, hogares, lugares de trabajo). El estudio emplea un marco comparativo que evalúa tres estrategias de vacunación clásicas frente a enfoques de aprendizaje automático:

1. Heurísticas Clásicas:

   • Priorización de Alto Grado: Se dirige a los nodos con el mayor número total de contactos en todas las capas.
   • Priorización de Centralidad de Intermediación: Se dirige a los nodos que actúan como cuellos de botella estructurales en los caminos más cortos entre otros nodos.
   • Priorización Específica de Capa: Asigna pesos a las capas basadas en la estructura comunitaria y prioriza los nodos con grados ponderados altos.

2. Análisis Matemático:

   • El estudio deriva el número básico de reproducción ($R_0$) y el número de reproducción efectivo ($R_t$) para el sistema multicapa.
   • Se realiza un análisis de estabilidad del equilibrio libre de enfermedad (DFE) utilizando la teoría del radio espectral, estableciendo que se requiere $R_0 < 1$ para la estabilidad.
   • El análisis de sensibilidad demuestra cómo las perturbaciones estructurales (adición/eliminación de aristas) afectan el radio espectral, sugiriendo que la eliminación de nodos con alta intermediación fragmenta la red de manera más efectiva que la eliminación de nodos con alto grado.
   • El problema se formula como una tarea de optimización multiobjetivo que equilibra la minimización de la infección, el costo y la equidad (usando el coeficiente de Gini), resuelta mediante la scalarización de suma ponderada.
   • Se introduce un enfoque de control óptimo mediante tasas de vacunación dependientes del tiempo ($v_i(t)$), resuelto a través de una formulación Hamiltoniana para identificar el beneficio marginal de vacunar nodos susceptibles específicos a lo largo del tiempo.

3. Marco de Aprendizaje Automático:

   • Redes Neuronales de Grafos (GNN): Una estrategia de priorización estática donde una GNN aprende patrones de riesgo estructural directamente de la topología multicapa. Las características de los nodos incluyen métricas estructurales, membresía de capa y estados epidémicos. La GNN es entrenada para minimizar una función de pérdida sustituta que combina severidad epidémica, costo y equidad.
   • Aprendizaje por Refuerzo (RL): Un enfoque de política dinámica modelado como un Proceso de Decisión de Markov (MDP). Un agente utiliza una política basada en GNN (optimizada mediante Optimización de Política Próxima) para seleccionar acciones de vacunación basadas en el estado epidémico actual y la estructura de la red.

Configuración Experimental
Los modelos fueron evaluados utilizando la red de contactos Email-Eu-Core (Yin et al., 2017), un conjunto de datos del mundo real que representa las interacciones de correo electrónico. El estudio realizó 30 simulaciones estocásticas independientes de SIRV para cada estrategia. El rendimiento se midió mediante tres métricas epidemiológicas:

• Nivel máximo de infección.
• Tamaño final de la epidemia.
• Tiempo hasta el pico de infección.

Resultados Clave

• Heurísticas Clásicas: Las estrategias basadas en grado, en intermediación y de capa exhibieron un rendimiento ampliamente similar en todas las métricas. Este agrupamiento se atribuye a la conectividad densa y la modesta estructura de comunidad de la red Email-Eu-Core, lo que limita el poder discriminatorio de las métricas de centralidad tradicionales.
• Estrategia Basada en GNN: El enfoque basado en GNN superó sustancialmente a todas las heurísticas clásicas. Logró:
  • La menor infección máxima (381.4 frente a ~480–500 para los métodos clásicos).
  • El menor tamaño final de la epidemia (574.0 frente a ~713–733).
  • El tiempo más temprano hacia el pico (9.2 frente a 10.5–13.7).
  • Estos resultados sugieren que la GNN identificó con éxito nodos estructuralmente críticos, tales como aquellos en comunidades superpuestas o que actúan como mediadores multicapa, que las métricas clásicas pasaron por alto.
• Línea Base de RL: Un modelo base de RL no entrenado tuvo el peor desempeño, produciendo la mayor infección máxima y el mayor tamaño final de la epidemia, sirviendo como un límite inferior que resalta la necesidad de entrenamiento para políticas dinámicas.
• Control Óptimo: El análisis de control dependiente del tiempo reveló que la efectividad de la intervención es más alta durante la fase temprana de la epidemia, dirigiéndose a los centros (hubs) altamente conectados. A medida que la epidemia progresa, los objetivos óptimos se desplazan hacia los nodos periféricos, confirmando que el targeting óptimo depende del estado y no es estático.

Significación y Reivindicaciones
El artículo sostiene que las políticas de vacunación basadas en aprendizaje automático pueden superar significativamente a las heurísticas tradicionales al explotar patrones relacionales de orden superior en redes del mundo real. Específicamente, el estudio demuestra que:

1. Limitaciones de las Métricas Clásicas: En redes densas del mundo real, las medidas de centralidad tradicionales suelen producir resultados similares y subóptimos porque no logran capturar dependencias complejas de múltiples saltos.
2. Superioridad de los Enfoques Basados en el Aprendizaje: Las Redes Neuronales de Grafos pueden aprender patrones de riesgo estructural directamente de la topología, identificando vulnerabilidades no intuitivas que conducen a una supresión de la epidemia superior.
3. Marco para la Intervención Dirigida: El marco propuesto ofrece un método matemáticamente riguroso y basado en datos para la priorización dinámica de vacunas, cerrando la brecha entre la ciencia de redes clásica y el aprendizaje automático moderno.

Los autores concluyen que, si bien las estrategias clásicas proporcionan una línea base, las políticas basadas en el aprendizaje ofrecen un marco poderoso para la intervención epidémica dirigida, particularmente en poblaciones heterogéneas y multicapa. El estudio no afirma que el RL sea actualmente superior a las GNN en esta implementación específica (ya que el agente de RL no fue entrenado), pero postula que el trabajo futuro con agentes de RL totalmente entrenados podría mejorar aún más las estrategias dinámicas y temporalmente adaptativas.